Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
高校講座 | 第2回 内容ベース推薦システム
Search
RecSysLab
PRO
August 06, 2022
Technology
0
480
高校講座 | 第2回 内容ベース推薦システム
下記教科書を基にした高校生向けの推薦システム講座の講義スライドです。
奥 健太:基礎から学ぶ推薦システム - 情報技術で嗜好を予測する -, コロナ社 (2022)
RecSysLab
PRO
August 06, 2022
Tweet
Share
More Decks by RecSysLab
See All by RecSysLab
データベース|SQL
recsyslab
PRO
0
91
龍谷ICT教育|プログラミング演習科目における自動採点ツールを用いた自由進度学習
recsyslab
PRO
0
150
[RecSys2023論文読み会]Interface Design to Mitigate Inflation in Recommender Systems
recsyslab
PRO
0
140
[RecSys2022論文読み会]Bundle MCR: Towards Conversational Bundle Recommendation
recsyslab
PRO
0
440
高校講座 | 第1回 推薦システムとは
recsyslab
PRO
0
520
高校講座 | 第3回 協調ベース推薦システム
recsyslab
PRO
0
460
内容ベース推薦システム | 第2回 推薦システム概論
recsyslab
PRO
0
810
協調ベース推薦システム | 第3回 推薦システム概論
recsyslab
PRO
0
800
知識ベース推薦システム | 第4回 推薦システム概論
recsyslab
PRO
0
730
Other Decks in Technology
See All in Technology
GraphRAG グラフDBを使ったLLM生成(自作漫画DBを用いた具体例を用いて)
seaturt1e
1
160
Azure Well-Architected Framework入門
tomokusaba
1
140
OpenCensusと歩んだ7年間
bgpat
0
180
abema-trace-sampling-observability-cost-optimization
tetsuya28
0
360
スタートアップの現場で実践しているテストマネジメント #jasst_kyushu
makky_tyuyan
0
140
組織全員で向き合うAI Readyなデータ利活用
gappy50
4
1.5k
CREが作る自己解決サイクルSlackワークフローに組み込んだAIによる社内ヘルプデスク改革 #cre_meetup
bengo4com
0
360
Okta Identity Governanceで実現する最小権限の原則
demaecan
0
190
AWS DMS で SQL Server を移行してみた/aws-dms-sql-server-migration
emiki
0
260
From Natural Language to K8s Operations: The MCP Architecture and Practice of kubectl-ai
appleboy
0
340
IBC 2025 動画技術関連レポート / IBC 2025 Report
cyberagentdevelopers
PRO
2
220
Open Table Format (OTF) が必要になった背景とその機能 (2025.10.28)
simosako
2
430
Featured
See All Featured
I Don’t Have Time: Getting Over the Fear to Launch Your Podcast
jcasabona
34
2.5k
Mobile First: as difficult as doing things right
swwweet
225
10k
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
48
9.7k
No one is an island. Learnings from fostering a developers community.
thoeni
21
3.5k
Exploring the Power of Turbo Streams & Action Cable | RailsConf2023
kevinliebholz
36
6.1k
Building a Modern Day E-commerce SEO Strategy
aleyda
44
7.9k
Large-scale JavaScript Application Architecture
addyosmani
514
110k
Templates, Plugins, & Blocks: Oh My! Creating the theme that thinks of everything
marktimemedia
31
2.6k
Optimising Largest Contentful Paint
csswizardry
37
3.5k
Navigating Team Friction
lara
190
15k
Build The Right Thing And Hit Your Dates
maggiecrowley
38
2.9k
YesSQL, Process and Tooling at Scale
rocio
173
15k
Transcript
推薦システムの仕組み ~この商品を買った人は、こんな商品も買っています~ 高校講座 | 第2回 内容ベース推薦システム 奥 健太
シナリオ Aliceはとあるカレー屋を訪れました。このカレー屋では、辛さと甘さの異なる8種類のカレーを提供して います。Aliceは、これまでに5種類のカレーを試してきました。そのうち、下表のように3種類のカレーを 「好き」、2種類のカレーを「嫌い」と評価してきました。評価値が「?」となっているカレーについて は、Aliceはまだ試していません。Aliceにはどのカレーを推薦するのが良いでしょうか? アイテムID アイテム名 辛さ 甘さ 評価値
1 5辛3甘 5 3 好き 2 4辛4甘 4 4 好き 3 3辛3甘 3 3 好き 4 2辛8甘 2 8 嫌い 5 4辛9甘 4 9 嫌い 6 3辛4甘 3 4 ? 7 1辛7甘 1 7 ? 8 8辛6甘 8 6 ? Aliceの評価履歴 2
ユーザ、アイテム、評価履歴 ユーザ: 推薦システムの利用者 アイテム:推薦システムにおいて扱う商品やコンテンツなど 評価値: ユーザのアイテムに対する好き嫌い 評価履歴: ユーザがこれまで利用してきた アイテムに対して与えた評価値の履歴 アイテムID
アイテム名 辛さ 甘さ 評価値 1 5辛3甘 5 3 好き 2 4辛4甘 4 4 好き 3 3辛3甘 3 3 好き 4 2辛8甘 2 8 嫌い 5 4辛9甘 4 9 嫌い 6 3辛4甘 3 4 ? 7 1辛7甘 1 7 ? 8 8辛6甘 8 6 ? Aliceの評価履歴 3
類似度に基づく推薦 4
アイテムを座標平面上に表してみよう アイテムID アイテム名 辛さ 甘さ 評価値 1 5辛3甘 5 3
好き 2 4辛4甘 4 4 好き 3 3辛3甘 3 3 好き 4 2辛8甘 2 8 嫌い 5 4辛9甘 4 9 嫌い 6 3辛4甘 3 4 ? 7 1辛7甘 1 7 ? 8 8辛6甘 8 6 ? 10 5 0 10 5 甘 さ 辛さ 1 2 3 4 5 6 7 8 5
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 アイテムをベクトルで表すと便利 8辛6甘カレー 辛さ 甘さ *数学B -> 数学C:ベクトル ベクトル*: 数を縦または横に並べたもの 6
10 5 0 10 5 甘 さ 辛さ 1 2
3 Aliceの好みの辛さ、甘さは? 好みのアイテムのベクトルの平均 ユーザプロファイル ユーザの嗜好を表したもの 7
10 5 0 10 5 甘 さ 辛さ 6 7
8 問題 | Aliceはどれが好き? 8
10 5 0 10 5 甘 さ 辛さ 6 7
8 ベクトルのなす角を考えよう コサイン類似度 ベクトルのなす角* *数学II:三角関数、*数学B -> 数学C:ベクトル 9
10 5 0 10 5 甘 さ 辛さ 6 7
8 演習 | 他のコサイン類似度も計算してみよう 10
コサイン類似度が高いとどうなの? コサイン類似度が1に近いほど、二つのベクトルが同じ方向を向いている 類似している 11
10 5 0 10 5 甘 さ 辛さ 6 7
8 順位 アイテムID アイテム名 辛さ 甘さ 類似度 1位 8 8辛6甘 8 6 2位 6 3辛4甘 3 4 3位 7 1辛7甘 1 7 コサイン類似度でランキング Aliceには 8辛6甘カレーがおすすめ 12
k 近傍法 13
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 近傍のアイテムから好き嫌いを予測してみよう このあたりは好き? このあたりは嫌い? 14
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 近傍のアイテムはどれ? 15
10 5 0 10 5 甘 さ 辛さ 3 7
距離を考えよう 2点間の距離* *数学II:図形と方程式 16
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 演習 | 他の距離も計算してみよう 17
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 近傍 k 個のアイテムを見つけよう(k = 3) アイテムID アイテム名 辛さ 甘さ 距離 4 2辛8甘 2 8 5 4辛9甘 4 9 2 4辛4甘 4 4 3 3辛3甘 3 3 1 5辛3甘 5 3 18
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 近傍 k 個のアイテムで多数決 好き × 1 vs. 嫌い × 2 Aliceは1辛7甘カレーが嫌い 19
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 演習 | 他のアイテムの好き嫌いも予測してみよう 好き × 嫌い × 3辛4甘カレー 好き × 嫌い × 8辛6甘カレー 20
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 k 近傍法でランキング Aliceには 3辛4甘カレーがおすすめ 順位 アイテムID アイテム名 辛さ 甘さ 好き 嫌い 1位 6 3辛4甘 3 4 3 0 2位 8 8辛6甘 8 6 2 1 21